2316 papers
Dit artikel introduceert een MCMC-gestuurde neurale emulator die onzekerheidskwantificering in dynamische systemen decoupeert van de netwerkarchitectuur door modelparameterverdelingen als input te gebruiken, waardoor de nauwkeurigheid van fysische modellen wordt behouden met aanzienlijk minder rekentijd.
Dit paper introduceert ForwardFlow, een frequentistische deep learning-methode die uitsluitend gebruikmaakt van simulaties om een neuraal netwerk te trainen dat complexe statistische inverse problemen oplost en parameters schat met eigenschappen zoals eindige steekproefnauwkeurigheid en robuustheid.
Dit artikel introduceert een verenigd Bayes-optimalisatiekader met Gaussian processes dat minimalisatie en zadelzoektochten op potentie-energiefuncties versnelt door een uniforme zesstaps-lus, geavanceerde kernel-uitbreidingen en schaalbare random Fourier-features te combineren met pedagogische Rust-implementaties.
Deze paper introduceert Factorized Neural Implicit DMD, een datagedreven, modelvrije methode die de spectrale decompositie van de Koopman-operator parametrisert om complexe spatiotemporale dynamica stabiel te voorspellen, te generaliseren naar nieuwe parameters en te analyseren via onderliggende modi en eigenwaarden.
Dit artikel toont aan dat cross-species transfer learning, waarbij een op muizen getraind sequentiemodel wordt fijn afgesteld op menselijke data, de voorspellingsprestaties voor subklassen van GABA-ergerische interneuronen verbetert en de reproduceerbaarheid van de electrofysiologie-naar-transcriptomiek-mapping bevestigt.
Dit paper introduceert Leech Lattice Vector Quantization (LLVQ), een praktische en volledig paralleliseerbare algoritme dat de Leech-rooster gebruikt om grote taalmodellen efficiënter te comprimeren dan bestaande methoden, zonder de noodzaak van dure opslag van codeboeken.
Het artikel introduceert V2M-Zero, een methode die video naar tijd-gealigneerde muziek vertaalt zonder gekoppelde trainingsdata, door gebruik te maken van binnen-modale gebeurteniskrommen om de gedeelde temporele structuur tussen video en muziek te benutten.
Dit paper introduceert NeFTY, een differentieerbaar fysica-framework dat gebruikmaakt van neurale velden en een strikte numerieke solver om materialen kwantitatief in 3D te reconstrueren op basis van oppervlaktetemperatuurmetingen, waardoor de beperkingen van traditionele thermografie en bestaande PINN-benaderingen voor het detecteren van ondergrondse defecten worden overwonnen.
XConv is een geheugen-efficiënte, drop-in vervanging voor convolutielagen die de opslag van tussenactivaties drastisch reduceert door gebruik te maken van gecomprimeerde representaties en stochastische schattingen, zonder de architectuur te beperken of significante rekenkosten toe te voegen.
Deze survey biedt een overzicht van decentrale federatieve leermethodes tot begin 2026, classificeert ze in traditionele en blockchain-gebaseerde families, stelt een nieuwe taxonomie voor die gebaseerd is op uitdagingen, en identificeert kritieke onderzoekslacunes en toekomstige richtingen op het gebied van beveiliging, privacy en prikkels.
Deze paper overwint de beperkingen van eerdere wiskundige analyses om aan te tonen dat willekeurig geïnitieerde, polynomaal over-geparameteriseerde convolutionele neurale netwerken gestructureerde 'winnende loterijtickets' bevatten die zonder training andere netwerken kunnen benaderen.
Dit paper introduceert een theoretisch onderbouwde, proefbare filter voor grafclustering die zowel homofiele als heterofiele structuren in real-world grafen effectief verwerkt door het construeren van lage- en hoogdoorlaatfilters en het versterken van belangrijke kenmerken via een squeeze-and-excitation blok.
Dit paper presenteert een diep learning-gebaseerd raamwerk dat door gezamenlijke ontdekking van coördinaten en stroomkaarten de computationele efficiëntie van multischaal-systemen verbetert met state-of-the-art voorspellende nauwkeurigheid en lagere kosten.
Dit artikel introduceert een eerlijkheidsbewuste methode voor het detecteren van meerdere doelgroepen in online discussies, die zowel de voorspellende prestaties verbetert als de bias tussen verschillende groepen vermindert in de context van toxiciteitsdetectie.
Dit artikel presenteert een schaalbaar, multi-agent Q-learning-systeem voor het updaten van HD-kaarten in voertuignetwerken dat, in vergelijking met single-agent benaderingen, de computelast verlaagt en de netwerklatentie aanzienlijk verbetert.
Deze paper introduceert Sparse Variational Student-t Processes (SVTP), een schaalbaar raamwerk dat de robuustheid van Student-t-processen combineert met efficiënte inference-algoritmen voor het modelleren van zwaarstaartige data en uitbijters, waarbij het aanzienlijk beter presteert dan bestaande methoden op grote datasets.
Dit paper introduceert HYGENE, een pionierende methode die gebruikmaakt van een op diffusie gebaseerd proces en een bipartiete representatie om realistische en diverse hypergrafen te genereren door een globale structuur geleidelijk uit te breiden en lokale details te verfijnen.
Deze paper introduceert een unificerend raamwerk dat kwantisatie en verduidelijking als additief ruis modelleert en een afgeleid denoising-dekwantisatietransform toepast om stabiele training van neurale netwerken op willekeurige precisie- en sparsiteitsniveaus mogelijk te maken, waardoor state-of-the-art resultaten worden behaald in ultra-lage precisie-regimes zoals A1W1.
Dit paper introduceert ARLBench, een efficiënt en flexibel benchmark voor hyperparameteroptimalisatie in versterkingsleer dat het mogelijk maakt om diverse AutoRL-methoden te vergelijken met een fractie van de gebruikelijke rekkracht door gebruik te maken van een geselecteerde subset van representatieve taken.
Dit paper introduceert DCPI, een methode voor datasetcondensatie die de prestaties verbetert door naast de gereduceerde dataset ook 'geprivilegieerde informatie' te synthetiseren die als aanvullende supervisie dient tijdens het trainen van modellen.